随着大数据时代的到来,每天都有海量的数据通过数字设备产生。机器学习作为需要大量算力和资源的计算任务,能够帮助用户挖掘数据中潜在的信息,并为用户的决策提供建议。然而许多用户受限于有限的本地资源,无法支持大量数据的存储和计算。云计算作为一项快速崛起的技术,能够提供海量的存储资源和充足的计算能力,然而云服务提供商并不总是可信的,外包计算的安全性成为人们日益关注的重要问题,因此如何设计有效的安全外包计算工具,在保护隐私的前提下实现聚类、神经网络等机器学习算法的外包计算是研究人员面临的一大挑战。此外,目前许多安全外包聚类方案仅提供聚类结果,并不提供对于聚类结果的评估,资源有限的用户无法感知聚类结果的优劣。另一方面,模型逆向攻击的出现使得在云端训练神经网络模型时,需要同时保护数据和模型的隐私。针对上述问题和挑战,本文基于同态加密提出了一个支持实数运算的多功能安全外包计算工具,并实现了机器学习中聚类算法和神经网络的安全外包计算。本文的主要贡献如下:1.实现了能够支持实数运算的多功能安全外包计算工具。本文基于半解密Paillier密码系统和双服务器架构实现了实数密文的存储以及支持加减乘除等运算的安全外包计算协议,并且提供不同类型密文之间的相互转化协议,从而能够在复杂的计算任务上平衡效率与精度。2.实现了在密文上可评估的聚类算法。本文实现了同态K-均值聚类算法及层次聚类算法,并提供同态轮廓系数,从而能够在密文上对聚类结果进行评估,使用户在获得聚类结果的同时,也能了解聚类结果的优劣。3.实现了支持推理和训练的同态神经网络。本文为全连接层、卷积层等常用神经网络模块实现了密文上的安全正向传播和反向传播算法,从而使云服务器能够在同时保护用户数据和神经网络模型隐私的前提下,完成用户请求的模型训练或推理任务。本文对所提出的多功能安全外包计算工具进行了全面的实验及安全性证明,从计算时长和通信开销等角度,对不同密文类型的安全外包计算协议进行了对比分析,并研究了不同参数对同态聚类算法及同态神经网络计算效率的影响。